中国工程院院士李骏：要实现自动驾驶，传统汽车研发的方式需要变革

本篇文章2382字，读完约6分钟

中国工程院院士、中国汽车工程学会会长李俊

从美国公布的指南中可以清楚地看出，美国每年有25，000人死于交通事故，其中95%是由于司机操作不当造成的，因此迫切需要一个机器人来驾驶。最近，由国家新能源汽车大数据联盟主办的2017年年会在北京召开。中国工程院院士、中国汽车工程学会会长李俊在致辞中提出。

此外，在李俊看来，在无人驾驶汽车成为大势所趋的前提下，汽车研发的传统方式需要改变。

事实证明，生物人在驾驶汽车，而智能汽车需要机器人来驾驶。李俊说，生物人是由他们自己的眼睛、大脑、手和脚平行控制的，这是一个完整的数据处理过程。但是对于机器人来说，这个数据系统很难应用。

另外，传统汽车R&D流程的数字化还不够。传统的汽车R&D系统需要改变。原始系统中最重要的是相关的交通场景，但现在这些交通场景必须数字化。

自动驾驶汽车需要机器识别，这是随机的，不同于人脑的智能。李俊说，对于一台机器来说，它不像一个几岁的孩子，它的游戏是随机的，所以它把无限的产品作为验证假设。这一挑战是核心问题，因此智能网络车辆必须具备学习能力。

以下是李俊院士讲话的全文，经钛媒略加编辑:

我很高兴得到新能源大数据联盟的支持。

我们可以看到，作为智能互联汽车，传统的汽车研发方式需要改变。最初的研发并不完全适用，需要改变。为什么？

首先，事实证明是一个生物在驾驶，icv需要一个机器人来驾驶。生物人是由他们自己的眼睛、大脑、手和脚控制的，这是一个完整的数据过程，但是这个完整的数据过程只出现在生物个体身上。现在我们需要一个机器人。这个机器人的全部数据如何传播？此外，如何证明这台机器的驾驶安全性？

从美国公布的指引可以清楚看到，目前美国每年有25，000人死于交通意外，其中95%是由司机操作不当所致。因此，迫切需要一个机器人来驾驶。因此，解决机器人驾驶和安全系统问题非常重要。

然而，传统的汽车测试方法是测试人的驾驶。现在应该用什么方法来测试机器？目前，世界上还没有一个系统，我们也正在构思建立一个系统。问题是，超过100万公里的数据如果稍有变化就需要从头开始测试，因此传统的测试方法不适用，icv的研发需要新的标准。

第二，根据国际公认的美国交通部的指导方针，自主车辆的研发有四个主要内容，目前还没有:

1.机器驾驶过程中的动态驾驶任务。过去，我们没有司机的驾驶参与；

2.在什么条件下这辆车可以进入无人驾驶状态，例如，在什么天气下你的车可以进入无人驾驶状态；

3.进入无人驾驶状态(ddt)后，在整个驾驶过程中，如何判断自己已经超过无人驾驶模式，然后退出，或者进入动态驾驶任务(ddtf)支持模式。

4.动态驾驶任务(ddtf)的应急措施是指系统已经判断出驾驶员需要接管过去，但如果没有驾驶员接管，那么当驾驶员被发现时，就有必要降低驾驶能力的速度等等。

所有这些都需要新的过程。从这个角度来看，传统的汽车R&D系统显然需要改变。在原始系统中考虑的最重要的事情是与人相关的交通场景。现在交通场景必须变成数据和数字才能使用。因为机器正在驾驶，所以有必要通过定义机器的交通场景来进入开发过程。

第四，需要改变传统的汽车R&D工艺和实验系统。无论是从概念设施到概念平台，到概念验证，再到软件开发，所有这些都需要数据进来，同时需要不同的认证，并且流量被划分为模块化，并且执行驱动评估，因此出现了新的供需链。

最后一个变化是技术平台的变化。最近，我们一直在大力建设智慧城市和智慧服务，也就是说，数据应该被推到过去。你需要使城市和交通智能化。你不能只是让汽车智能化。这辆车的范围太窄了。因此，我们需要建立新的交通层、车辆层、系统层和建筑层。

让我们谈谈数据需求。

首先，我们需要使用新的指南，但是还没有标准。最好的指南是美国运输部的第15条，它要求每个汽车制造商为你设计的产品收集数据。

也就是说，你设计的智能汽车应该解释你在什么范围内，在什么光线水平下，以及如何进入无人驾驶状态。如果你不能进入无人驾驶状态(ddt)或有人驾驶，应该向美国运输部发布，并对车辆感知和判断系统(oedr)进行审查，这样客户就能感觉到他们购买了一辆安全的自动驾驶汽车。

在这种情况下，应该对每项任务的数据有明确的规定，例如对滴滴涕(无人状态)数据的需求。此外，对于这类数据的需求，如何在开发过程中确定开发任务，明确了开发任务中数据的整体定制是在无人机上进行的。

至于设计操作范围(odd)，即判断你是否可以进入自动驾驶，它也有非常明确的数据要求，这个数据库应该从需求方到供应方建立。当你无人时，你的数据库的大小反映在你的能力和高水平上。

车辆感知和判断系统更重要。oedr相当于车辆监督。监管越细致、可靠和可靠，你作为无人驾驶汽车就越放心。那么如何为监管数据建立一个感知数据库呢？那么如何监控它是非常重要的，而且对感知和判断的设计数据有很大的需求。

最后，如果车辆的感知和判断系统不工作，并且面对复杂的情况，如冰、雪、雾等。，有必要选择降低功能。此外，在功能降低后，需要通过紧急测试进行验证。不能说功能降低了，它也命中了。

因此，我们可以总结如下:传统汽车的发展是在有限的范围内完成的，因为传统汽车上有一个人可以判断他不需要让汽车做任何事情。

但对于自动驾驶汽车，它需要机器识别，这是随机的，不同于人脑的智能。对于机器来说，它不像几岁的孩子，它的游戏是随机的。因此，它把无限产品作为验证假设。这一挑战是核心问题，因此智能网络车辆必须具备学习能力。

其次，我们需要四个数据平台。第一个是场景数据平台，如ddt(无人状态)和odd(设计工作范围)；二是动态地理环境数据平台，其路边设备数据、精确地图数据等。这是非常大的数据；第三是驾驶的数据平台，即驾驶员的健康、乘员的健康等等；第四是用户数据平台，用户数据。尽管它代表了整个数据网络。

应该构建什么来实现上述架构？它是建立由icv开发的持续学习预测系统。为了建立这样一个持续学习的预测系统，有必要将虚拟和物理结合起来，因此有必要包括复杂的传统、传感和预测模型，以及预测环境的数据趋势。(本文是第一个钛媒体，秦丽/整理)

来源：搜狐微门户